摘要
本⽂以我国近年车贷类不良资产的批量交易市场为背景，从债务⼈还款意愿、还款能力、抵押物残值情况、金融机构管理⽔平、属地司法环境、宏观经济变量等六⼤维度出发，梳理并筛选出影响车贷不良资产估值的核⼼因素，构建结构化估值因⼦体系，并基于资产回收率表现构建线性回归模型进⾏拟合分析。实证研究表明，该模型可作为从业者在尽调资源有限背景下快速估算⻋贷不良资产包价值的⼯具。
关键词：车贷不良资产、不良贷款估值、抵押资产、回收率、司法环境、估值模型
研究背景：从消费类向抵押类的不良转向
⾃2021年个人信贷不良资产批量转让试点扩容以来，⻋贷不良资产作为典型的小额分散+有形抵押品类，其在转让市场上的成交量迅速增长。根据寰宇数科不完全统计，2024年全国范围内共成交车贷不良资产包超600亿元，同⽐上涨近72%。
与信⽤类个贷不同，车贷资产因其存在实物抵押，其估值不仅取决于债务人意愿与能力，还高度依赖于车辆残值的准确估计与处置路径的可行性。这使得其估值体系需在传统回收概率建模基础上，叠加⼀套抵押物价值定价机制。
当前的估值实践中，存在两个核⼼问题：⼀是估值因子结构不明确，导致不同估值机构之间的差异显著，估价偏离交易价格较⼤；⼆是行业缺乏统⼀可操作的模型体系，多数估值仍依赖“专家经验+拍脑袋”式判断，难以标准化。
因此，有必要基于结构化因子分析⽅法，从底层资产特征出发，构建⼀套更为贴近⻋贷不良资产特性的估值模型，提升估值⼯作的效率和科学性
3
模型框架与因⼦构建逻辑
（⼀）核心估值思路：
估值本质是未来回款现⾦流的折现预测，车贷不良资产包的估值可表⽰为：
估值 = \sum_{i=1}^{n} (V_i \times P_i \times D_i - C_i)
其中：
V_i：单车预期处置残值；
P_i：对应车辆的处置成功概率；
D_i：现金流折现因子；
C_i：处置成本（含司法、物流、仓储、运营等）。
与信⽤卡类不良资产估值主要依赖借款⼈属性不同，车贷类不良资产还必须将“抵押物的真实处置价值”纳⼊核心参数，形成“⼈+物”的双轮驱动模型。
（⼆）六大因子维度详解
1、债务车还款意愿
还款意愿反映的是债务人是否主观上配合催收与履约。
当前回款⽐率：资产包中若存在仍在持续回款的贷款账⼾，通常意味着债务人尚未完全失联，存在⼀定的自发还款行为，这部分资产具有更⾼的回收潜力。
逾期时间结构：加权平均逾期⽉数及逾期超12个⽉贷款占比，是判断债务⼈是否已彻底“放弃还款”的关键指标。⼀般⽽⾔，逾期时间越长，回收成本越⾼，还款意愿越低，回收率显著下降。
2、债务人还款能力
还款能力直接决定回款可能性，是估值中最重要的维度之⼀。
年龄结构：研究发现，35岁以下群体的就业流动性较强、收⼊提升空间⼤，还款意愿更强；而45岁以上群体在⾯对法律威慑时相对冷漠，回款意愿和能⼒相对较差。
职业稳定性：公务员、事业编、公立教师、医疗人员等群体因“信用破产代价”更⾼，在资产包中占比越⾼，整体回收预期越好。
执行案数：是否在失信被执行人名单及案件数量，是判断债务人履约历史的关键数据。若借款人已被多次法院执⾏，则极可能无力（或无意）偿债。
3、抵押车辆残值特征
抵押物是车贷不良估值相较消费贷最⼤不同之处。
⻋辆状态：若车辆仍在保险期内，通常意味着尚未被遗弃或拆解，回收可能性与估值较⾼；反之，若已脱保12个⽉以上，可能车辆已不存在，或已出售⽆法追回。
⼆⼿估价：结合车商收购价、C端个人交易价、司法拍卖成交价、抵押融资估值等多渠道进⾏综合估值是合理做法。
新能源特征：新能源车残值波动极大，且回收后处置难度大（例如动力电池报废、不可跨省交易等），因此其在估值中应适度打折。
4、金融机构管理水平机构自身的风控能力与贷后管理制度影响资产本身的质量
机构类型：银⾏系车贷不良资产通常⻛控更规范，前期授信较为审慎；相对而言，部分融资租赁公司存在激进放贷，资产质量波动大。
授信风控比例（LTV）：贷款金额/车辆市值，反映机构是否有安全边际。LTV越高，说明授信风险敞⼝越⼤。
5、属地司法环境
车辆作为动产，其司法处置效率⾼度依赖于属地法院执⾏系统。
司法效率指数：通过中国社科院司法透明度数据或“⻋e估”等平台提供的历史处置周期模型，可量化地区执行效率。
抵押物落地率：以往在该地区司法拍卖、强制执行、回收车辆的成功率，是重要的评估基础。
6、宏观经济变量
地区经济发展水平：如所在地市的GDP增速、居⺠可⽀配收⼊水平，对债务人新增收⼊形成直接影响。
二手车市场景气度：某些区域⼆⼿⻋市场冷清，抵押物即使回收也难以变现，估值需打折。
4
样本与数据来源
我们选取2020年⾄2024年间，覆盖不同地区和⾦融机构来源的83个⻋贷类不良资产包为样本，包括来自国有⾏、股份制银⾏、汽⻋⾦融公司、AMC回购项⽬等。
⻋辆残值数据来自车300、精真估、⻋e估等主流⼆⼿估值平台；
催收记录来⾃合作⽅催收系统；
司法效率数据采集自全国法院执⾏⽹和司法透明度指数；
资产包结构信息通过项⽬尽调报告收集；
每个样本均要求拥有⾄少12个⽉以上的真实回收数据，以保证建模基础的可靠性。
5
实证估值模型与结果
本研究采⽤逐步回归与VIF多重共线性检验⽅法，最终选取15项指标纳⼊回归模型：\ln(Return_{12m} + 1) = \beta_0 + \sum_{j=1}^{n} \beta_j X_j + \epsilon
模型拟合结果：
样本数：83
回归后调整R^2：0.81
显著性（P值<0.1）的变量：
当前回款率（正相关）抵押车商估值（正相关）逾期超过15个⽉占比（负相关）新能源⻋辆占比（负相关）被执⾏案数量（负相关）所在地司法透明度指数（正相关）
该模型对⼀年期回收率具有良好的拟合能⼒，预测误差控制在±10%。
6
模型应用与价值体现
该模型的实用价值在于其对不良车贷资产进⾏“快速可比估值”，为市场参与者提供如下⽀持：
限价参考：为竞价、投标提供合理收购价区间；
资产分层：评估资产包中⾼潜⼒资产和低残值⻛险资产；
交易谈判：为与⾦融机构谈判提供科学依据；
模型嵌⼊AI系统：构建“估值+筛选+催收路径”动决策系统。
7
结语与未来展望
车贷类不良资产正处在⼀个估值逻辑从“经验拍脑袋”⾛向“结构化模型”的转型期。未来，伴随以下趋势的推进，估值模型也需动态优化：
新能源⻋辆占比快速上升，需引⼊电池健康度预测因子；法院执⾏联动逐步增强，应纳⼊“多地协同处置系数”；AI催收系统接⼊后，资产回款⾏为将快速反馈，模型需实现实时修正。
估值模型不是公式，而是认知结构。只有真正理解债务人行为+抵押物动态+司法效率三者联动，才能在市场博弈中抢占价值发现先机。
关于寰宇数科研究中心
寰宇数科研究中心是由⼴东寰宇数科控股有限公司发起设⽴的战略型智库，专注于⾦融科技、资产管理、司法数智化与不良资产⾏业的前沿研究与系统开发。中⼼致力于通过数据洞察、模型驱动与技术融合，服务于银⾏、AMC、融资租赁公司等机构的⻛控策略制定、资产定价分析与处置效率提升。
我们以“数据科学×司法科技×产业场景”为⽅法论基础，⻓期追踪中国汽⻋⾦融、不良资产、产业基⾦、数字法务等重点领域动态，发布⾼质量⾏业报告、⼯具模型与实践案例。
北京配资公司提示：文章来自网络，不代表本站观点。
